meng shao

统计数据

29
文章
0
粉丝
0
获赞
43
阅读
avatar
meng shao
3天前
Andrej Karpathy 最新观点：强化学习很强，但不是终极答案 Karpathy 认为强化学习（RL）在 AI 领域目前很火，而且确实能带来显著的性能提升。RL 的核心逻辑是：通过奖励信号（比如“这次做得好”或“这次很差”），调整模型未来行为的概率。这种方法比传统的监督微调（SFT）更高效，因为它通过“试错”能挖掘出更优的策略，而不需要人工事无巨细地标注数据。这就是所谓的“verifier functions”（验证函数）带来的杠杆效应——你只需要告诉模型结果好坏，它自己就能摸索出更好的路径。 但 Karpathy 也提出了两个关键的担忧，说明 RL 可能不是 AI 智能进化的全部答案： 1. 长任务的局限性（渐进问题）： 当任务变得很长（比如需要几分钟甚至几小时的交互），RL 的机制看起来有点低效。你花了大量时间完成一个复杂任务，最后只得到一个单一的“得分”（scalar reward），然后用这个得分去调整整个过程中的行为权重。这就像跑了一场马拉松，最后只告诉你“跑得不错”或“跑得不好”，但没有具体告诉你哪里可以改进。这种方式在超长任务上显得粗糙，效率不高。 2. 人类学习的差异（机制问题）： 人类在学习时并不完全依赖“结果好坏”这种单一信号。我们会通过反思来提取更多信息，比如“这次哪里做得好？哪里出了问题？下次该怎么改进？”这种反思过程会生成明确的经验教训（lessons），就像一条条指导原则，帮我们在未来做得更好。Karpathy 觉得，RL 缺少这种类似人类反思的机制，而这可能是 LLMs 未来进化的关键。 人类学习的启发：反思与“经验教训” Karpathy 用“second nature”（第二本能）来形容人类通过反思逐渐掌握技能的过程。比如，你学骑自行车时，摔了几次后会总结：“我得保持平衡，眼睛看前方。”这种总结就像一条“经验教训”，直接指导你下次的行为。Karpathy 认为，AI 应该也有类似机制，尤其是像 LLMs 这样有强大语言能力和上下文学习能力的模型。 他举了个例子：LLMs 在处理某些任务（比如数单词“strawberry”里的“r”）时，因为分词和内部计算的限制，表现得很吃力。Anthropic 给 Claude 加了一条“补丁”提示，大意是：“如果要数字母，先把单词拆成单个字母，用逗号隔开，然后一个一个数。”这条提示就像人类总结的“经验教训”，直接告诉模型怎么做更有效。 问题在于：这条“补丁”是工程师手动加的。Karpathy 想知道，能不能让模型自己通过实践和反思，自动生成这样的“经验教训”，而不是靠人类硬编码？更进一步，这些教训能不能被“蒸馏”成模型的直觉（类似人类睡觉时巩固记忆），避免上下文窗口无限膨胀？ 提出的一种新算法思路 Karpathy 设想了一种可能的算法，灵感来自人类反思的机制，专门为 LLMs 设计： 1. 多次尝试（Rollouts）：让模型针对一个任务做几次尝试，每次记录行为和结果（奖励高低）。 2. 反思阶段：把这些尝试的结果塞进上下文窗口，用一个“元提示”（meta-prompt）引导模型分析：“这次哪里做得好？哪里不好？下次该怎么改进？”生成一条明确的“经验教训”（lesson），以字符串形式记录。 3. 更新系统提示：把新生成的“教训”加到系统提示中，或者存到一个“教训数据库”里，供未来使用。 4. 长期优化：为了避免上下文窗口塞满这些教训，可以通过某种方式（类似“睡眠”）把它们蒸馏到模型权重中，形成更高效的直觉。 这种方法利用了 LLMs 的独特优势——它们能理解和生成语言，能在上下文里学习新策略。而传统的 RL（比如在 Atari 游戏或机器人控制中）没有这种语言能力，所以无法直接套用这个思路。 为什么这很重要？未来的 S 曲线 Karpathy 认为，RL 确实比监督微调更“苦涩”，而且还会带来更多性能提升。但他也相信，RL 只是当前的一条 S 曲线（技术进步的阶段性曲线），未来还有更多曲线等待发现。特别是对于 LLMs 这样有语言能力的模型，可能会有全新的学习范式，超越传统 RL 的局限。这些范式可能跟人类反思、总结、归纳的方式更接近，而且在长任务和复杂问题上更高效。 他提到的 ChatGPT 新增的“Memory”功能，可能是一个雏形，但目前只用于个性化定制（比如记住用户偏好），还没用于解决复杂问题。Karpathy 的设想是：如果能让模型自己总结经验教训，并在实践中不断优化，可能会开启 AI 智能的新篇章。
avatar
meng shao
4天前
小红书的推荐逻辑，感觉还是挺容易找到规律 😅
avatar
meng shao
5天前
Vibe Kanban: 专门 AI 程序员的看板，把 Claude Code、Gemini CLI、Codex 等各种 AI 编码助手当成“员工”，像管理任务卡片一样，给它们派活、盯进度、收结果，把人类工程师从“写代码”升级为“指挥 AI 写代码” 😂 为什么重要 1. 角色转变：AI 现在能写 70-80% 的代码，人更多时间花在“想做什么、怎么拆任务、检查成果”。Vibe Kanban 把这部分工作可视化、可编排，正好卡在“人-AI 协作”的痛点上 2. 多智能体协同：以前只能一次跟一个 AI 聊天，现在可以并行跑好几个，甚至串成流水线（A 生成代码 → B 写单测 → C 起 dev server） 3. 零门槛：用看板界面就能完成“切智能体、发指令、收结果”，不用记各家 CLI 的怪参数 核心能力 · 任务看板：每个卡片就是一次 AI 任务，实时显示状态（排队/运行/成功/失败） · 智能体切换：下拉菜单选“用 Claude 重构”还是“让 Gemini 补注释” · 一键预览：卡片里直接起 dev server、跑单测、看 diff，省得来回切终端 · 配置中心：所有智能体的 API Key、模型参数集中管理，一键下发 · 本地优先：Rust + Node 写的桌面/命令行混合应用，代码和数据都在本地，不担心泄露源码 上手三步 1. 装好 Rust、Node 18+、pnpm 2. 克隆仓库，`pnpm dev` 一键启动 3. 在看板里新建卡片，选 AI 智能体、写提示词，回车——等收结果即可
avatar
meng shao
1周前
Cursor 接入了 Grok 4，第一时间试用，这个思考过程看着真怪，去查 Grok API 文档，才发现爱你 grok-4 对 reasoning_content 和 reasoning_effect 都不支持。 大家接 Grok 4 API 时，如果只换模型 ID，就会遇到 Cursor 这样的问题，还会有报错出现。
avatar
meng shao
1周前
Grok 4 发布直播，千呼万唤始出来！ 进入时耐心等待一会儿，X 的直播比较卡。
avatar
meng shao
1周前
Anthropic Academy 推出了一系列官方免费培训课程，包括 Claude 多渠道 API、MCP 入门、MCP 进阶、Claude Code 实战等，优质、官方、免费，学起来！ 已发布的课程有： · Claude 与 Anthropic API · Claude 与 Amazon Bedrock · Claude 与 Google Cloud Vertex AI · MCP 简介 · MCP 高级主题 · Claude Code 实战 以「Claude Code 实战」为例，课程内容设计： · 了解 AI 编码助手的架构：你会搞清楚 Claude Code 是如何“读懂”代码库的，比如它怎么通过工具集成来分析和修改代码，背后的技术逻辑是什么 · 玩转工具组合：学会用 Claude Code 的工具系统处理复杂的编程任务，比如多步骤的开发场景，灵活应对各种开发需求 · 掌握上下文管理：在与 AI 的对话中，如何保持上下文的连贯性？课程会教你管理项目资源，确保 AI 提供精准的帮助 · 视觉化沟通：想通过图片或界面截图告诉 AI 你想要的界面改动？课程会教你如何用视觉输入与 Claude Code 协作，还会介绍高级规划功能，帮你应对复杂的代码库调整 · 创建自动化命令：学会设计可重复使用的自定义命令，简化那些繁琐的开发任务，让效率翻倍 · 通过 MCP 服务器扩展功能：想让 Claude Code 连上外部工具，比如浏览器自动化或其他开发流程？课程会教你用 MCP 实现这些高级集成 · 与 GitHub 无缝协作：学习如何将 Claude Code 嵌入 GitHub 工作流，比如自动代码审查，优化版本控制过程 · 灵活运用思考和规划模式：根据任务的复杂程度，学会选择适合的 AI 推理方式，解决从简单到高难度的编程挑战
AI编程工具激战：Claude Code、Gemini Cli崛起· 260 条信息
#AI编程：Kimi搅局，Claude封号，群雄逐鹿· 349 条信息
avatar
meng shao
1周前
整个过程中，最娴熟的居然是面向镜头展示的环节 😂
avatar
meng shao
1周前
WebSailor: 阿里通义实验室发布的开源网络智能体模型，通过创新的数据生成和训练方法，显著提升了开源模型在复杂信息检索任务中的表现，缩小了与专有系统的差距，其核心在于通过模拟高不确定性环境和高效训练，激发模型的超人推理能力。 背景与问题 随着互联网的普及，信息检索变得越来越复杂，人类受限于记忆、注意力和多任务处理能力，无法高效应对高度不确定的信息环境。一些专有系统（如 DeepResearch）在复杂任务（如 BrowseComp 基准测试）中展现了超人表现，但开源模型普遍表现不佳，原因在于它们缺乏处理“高不确定性”任务的复杂推理能力。 论文将信息检索任务分为三类： • Level 1：低不确定性任务，如简单查询或基于模型内部知识的回答 • Level 2：多跳问答（QA），有明确推理路径，尽管初始不确定性较高 • Level 3：复杂任务，信息高度分散且无明确解决方案路径，需要动态探索和综合推理 现有开源模型在 Level 3 任务上几乎无能为力，论文提出 WebSailor 来填补这一差距。 WebSailor 的核心方法 WebSailor 通过创新的训练方法赋予模型处理复杂任务的能力，主要包括以下几个部分： 1. SailorFog-QA 数据生成： • 通过随机游走和子图采样，从维基数据和网络中构建复杂的知识图谱，生成高不确定性的 Level 3 问题 • 使用信息模糊化技术（如将具体日期改为模糊时间段）增加问题难度，逼迫模型进行深入推理而非简单查找 • 这种方法生成的训练数据更贴近现实世界的复杂信息环境，且具有高度可扩展性 2. 推理轨迹重构： • 利用强大的开源大模型（如 QnQ 或 DeepSeek-R1）生成初始的行动-观察轨迹，但直接使用这些轨迹会因冗长或风格问题影响训练效果 • WebSailor 通过提取关键行动序列并重新生成简洁、目标导向的推理过程，解决上下文过载和风格污染问题，确保训练数据高效且通用 3. 两阶段训练： • RFT 冷启动：通过少量高质量数据（约 2000 条）进行拒绝采样微调（RFT），为模型奠定工具使用和推理基础 • DUPO 强化学习：提出了一种高效的强化学习算法（Duplicating Sampling Policy Optimization），通过动态采样和重复利用高方差样本，提升训练效率和模型的复杂推理能力 实验与成果 WebSailor 在多个基准测试中表现出色： • 在 BrowseComp-en/zh 上，WebSailor（3B、7B、32B、72B 参数规模）超越了所有开源模型，甚至与专有模型性能相当，接近顶级系统 DeepResearch • 在 GAIA 和 Xbench-DeepSearch 等测试中，WebSailor 也展现了强大性能，尤其在信息检索任务上。 - 在简单任务（如 SimpleQA）上，WebSailor 同样表现优异，证明其兼容性和泛化能力 关键创新点 • 数据复杂度：SailorFog-QA 数据通过模拟真实网络环境的复杂性和不确定性，显著提升模型处理 Level 3 任务的能力 • 高效训练：DUPO 算法优化了强化学习过程，减少了训练时间，同时避免了奖励操纵问题 • 冷启动策略：通过 RFT 冷启动，模型能够快速掌握复杂推理模式，弥补直接强化学习的不足 局限性与未来方向 • 上下文长度限制：训练数据被限制在 32k 标记以内，可能影响处理更复杂任务的能力 • 训练效率：尽管 DUPO 提高了效率，同步强化学习框架仍需优化，未来可探索异步训练 • 任务范围：WebSailor 专注于信息检索，未来可扩展到更广泛的领域，如数学或多模态任务
avatar
meng shao
1周前
Cursor 1.2 发布：Agent 能智能规划任务、自动解决合并冲突，记忆功能正式上线（质量更高、用户可审批），搜索更精准，Tab 补全速度提升约 100 毫秒，显著优化开发效率和体验 Agent 更聪明，能规划任务 Agent 现在会为复杂任务自动生成结构化的待办清单（To-do List），尤其是那些有依赖关系、需要长期推进的任务。你可以在聊天界面里清楚地看到这些清单，Agent 还会根据任务进展动态更新，保持信息清晰。如果连通了 Slack，这些待办事项还能直接同步到 Slack，方便团队协作。 消息队列，任务管理更灵活 现在你可以给 Agent 排队发指令！当 Agent 在处理当前任务时，你可以继续发送后续任务指令，放入队列。队列里的任务还能自由调整顺序，执行起来更高效，不用干等。 记忆功能正式上线 Memories 功能（记忆生成）现在正式可用！从 1.0 版本以来，团队优化了记忆生成的质量，界面也更友好。为了保护用户信任，新增了后台生成记忆的用户审批机制，确保你对记忆内容有掌控权。 PR 索引和搜索，代码追溯更方便 Cursor 现在能像索引文件一样索引和总结 GitHub 的 Pull Requests。你可以按语义搜索历史 PR，或者直接拉取某个 PR、Issue、Commit 或分支到上下文里。还支持 GitHub 评论、BugBot 审查和 Slack 的 Agent 协作，方便你快速做事故分析或追溯问题。 语义搜索更精准 代码库搜索用上了新的嵌入模型，搜索结果更准确，提示也经过优化，返回的内容更聚焦、更简洁。 Tab 补全速度飞升 Tab 补全速度提升了约 100 毫秒，首 token 生成时间（TTFT）也减少了 30%。背后是通过重构内存管理和优化数据传输实现的，操作起来会感觉更丝滑。 Agent 能帮你解决合并冲突 遇到代码合并冲突？现在可以直接在聊天界面点击“Resolve”，Agent 会自动拉取相关上下文，帮你尝试解决冲突，省时省力。 后台 Agent 更稳定、更贴心 • PR 自动遵循你团队的模板； • Agent 分支的变更会自动拉取； • 像 rebase 这样的冲突会以可操作的后续任务形式提示； • 支持从侧边栏直接提交代码； • Slack 和网页的深层链接能直接打开相关代码库，哪怕你本地没打开它。
avatar
meng shao
2周前
[开源项目] n8n-workflows - 收集超过 2053 个 n8n 工作流，堪称 n8n 自动化爱好者的宝藏仓库。不仅整理了海量的工作流，还通过智能命名、分类和高效的搜索系统，让用户能轻松找到适合自己的自动化方案。 项目概览 · 什么是 n8n？ n8n 是一个开源的工作流自动化工具，允许用户通过连接各种服务（比如 Telegram、Google Drive、Slack 等）创建自动化流程 · 项目目标：汇集来自 n8n 官网、社区、博客等来源的 2053 个工作流，涵盖 365 种独特集成，并提供强大的搜索和浏览体验 · 核心优势：相比传统文档系统，这个项目的文档系统性能提升了 100 倍，搜索响应时间低至 100 毫秒，内存占用减少 40 倍，还支持移动端响应式设计 主要功能 1. 高效文档系统： · 使用 SQLite FTS5 技术，实现超快的全文搜索 · 支持按触发类型（如 Webhook、定时触发）、复杂度或服务类别（如 AI、CRM、社交媒体）过滤 · 提供实时统计：总计 29,445 个节点，平均每个工作流 14.3 个节点 · 支持 Mermaid 图表生成，方便直观查看工作流结构 2. 智能命名与分类： · 将复杂文件名（如 `2051_Telegram_Webhook_Automation_Webhook.json`）自动转为易读的标题（如 `Telegram Webhook Automation`） · 通过 `create_categories.py` 脚本，自动识别服务（如 Twilio、Gmail）并归类到 12 个类别（如通信、数据分析、电商等） · 用户可通过下拉菜单按类别筛选工作流，查找更精准 3. 易用性： · 快速启动：克隆仓库，安装 Python 依赖，运行 `python run. py`，即可在 `localhost:8000` 浏览工作流 · 导入 n8n：支持通过 `import_workflows.py` 批量导入，或手动将 JSON 文件导入 n8n · 开发模式：支持自动重载和自定义主机/端口，适合开发者调试 技术亮点 · 现代技术栈：FastAPI 提供 RESTful API，SQLite 数据库支持高效查询，HTML5 前端确保响应式体验 · 性能优化：文件大小从 71MB 缩减到 <100KB，加载时间从 10 秒降到 <1 秒 · 智能分析：通过 MD5 哈希检测文件变化，自动更新数据库；支持后台处理和压缩响应，速度更快 · 移动优化：界面适配手机，支持暗/亮主题，触控友好 使用场景 · 开发者：快速找到并复用现成的自动化工作流，比如连接 Telegram 和 Google Sheets 的自动化 · 业务分析师：探索 CRM、营销或电商相关的工作流，提升业务效率 · 自动化工程师：利用复杂工作流（如多触发器系统）构建企业级解决方案
avatar
meng shao
2周前
从147次 ChatGPT 提示失败到逆转 AI 交互创造 Lyra 提示词优化工具 - Lyra 就像一个“超级翻译”，把你模糊的想法变成 AI 能精准理解的指令，核心在于让 AI 主动问对问题，从而生成更贴合需求的结果 故事背景 来自 Reddit 的一篇帖子，作者因为反复尝试让 ChatGPT 写一封自然的销售邮件未果，崩溃之下灵光一闪：与其费力猜测 AI 需要什么信息，不如让 AI 主动问用户需要什么。于是，他花了72小时开发了 Lyra——一个“反转”交互模式的提示框架，让 AI 先“采访”用户，搞清楚需求后再生成精准输出。 Lyra 的核心逻辑 Lyra 的精髓是**4-D方法论**，通过四个步骤优化用户输入： 1. 分解（Deconstruct）：分析用户请求的核心意图、关键信息和缺失部分 2. 诊断（Diagnose）：找出请求中的模糊点或不足 3. 开发（Develop）：根据任务类型（创意、技术、教育等）选择合适的优化技巧，比如多角度分析、逐步推理等 4. 交付（Deliver）：生成清晰、结构化的提示，并附上使用建议 Lyra 的实际效果 · 普通 ChatGPT：输入“写一封销售邮件”，得到千篇一律的模板 · Lyra 优化后：AI 会先问：“你的产品是什么？目标客户是谁？他们的痛点是什么？”然后根据回答生成一封精准、有针对性的邮件 · 另一个例子：用户说“帮我做餐 prep 计划”，普通 ChatGPT 给通用建议，而 Lyra 会问你的厨艺水平、饮食限制、时间安排、口味偏好，最终输出贴合个人需求的计划 Lyra 的提示框架 帖子详细分享了 Lyra 的完整提示（见原文），包括： · 欢迎信息：Lyra 会自我介绍，要求用户说明目标 AI（ChatGPT、Claude 等）和优化模式（DETAIL 深入模式或 BASIC 快速模式） · 两种模式： · DETAIL：通过2-3个针对性问题收集更多背景信息，适合复杂任务 · BASIC：快速优化，适合简单请求 · 输出格式：优化后的提示、改进说明、应用技巧和使用建议 · 适用平台：ChatGPT、Claude、Gemini、Grok 等，针对不同 AI 的特点调整优化策略 为什么特别？ · 用户友好：Lyra 让 AI 主动补全缺失信息，降低用户编写完美提示的难度 · 广泛适用：从写邮件、做计划到婚礼筹备、代码调试，Lyra 都能大幅提升 AI 输出质量 · 社区反响：帖子爆火，获600万浏览和6万分享，用户反馈 Lyra 帮助解决了各种实际问题
avatar
meng shao
2周前
想把话说清楚，先得想清楚 几个小建议 👇
avatar
meng shao
2周前
看到马斯克发 🤗，第一反应居然是： X AI 要收购 HuggingFace ❓
avatar
meng shao
2周前
HuggingFace 模型下载量总榜榜首是这个用来检测 NSFW 的模型 - nsfw_image_detection，下载量达到 1.67 亿，来自 Falcons AI 核心功能 模型使用 Vision Transformer (ViT) 技术，基于谷歌的`vit-base-patch16-224-in21k`，在 ImageNet-21k 数据集上预训练，之后用80,000张包含“正常”和“NSFW”两类的专有数据集进行微调，主要用途是识别和过滤不雅或敏感图片，适用于内容审核和安全过滤场景。 技术亮点 · 模型架构：采用 ViT，类似 BERT 的图像处理版本，擅长捕捉图像中的细微模式 · 训练细节：使用16的批次大小和5e-5的学习率，确保模型在快速学习和稳定优化间平衡。训练数据集多样，包含80,000张图片 · 性能表现：模型评估显示高准确率（98.04%），运行效率也不错（每秒处理52.46个样本） 使用方法 1. 高层次 API：通过 Hugging Face 的 `pipeline` 接口，加载模型后直接对图片进行分类，判断是“正常”还是 “NSFW” 2. YOLOv9 版本：使用 ONNX 格式的 YOLOv9 模型进行推理，需要指定图片路径、模型文件和标签文件，适合更定制化的需求 局限性 · 模型专为 NSFW 分类优化，应用到其他任务可能需要额外微调 · 性能受训练数据质量影响，用户需根据具体场景验证模型效果 实际应用 这个模型适合需要内容过滤的平台，如社交媒体、论坛或内容分享应用。用户需注意负责任使用，遵守相关内容法规。
avatar
meng shao
2周前
关于 Agent TARS 认知的官方文章：
avatar
meng shao
3周前
同样提示词，三个 AI 视频产品的视频对比 - 意大利面驾车飞驰 🚘🚘🚘 ← Midjourney ↑ Veo3 ↓ Hailuo 提示词： a spaghetti creature with sunglasses driving a convertible along a coastal highway at sunset, long pasta strands blowing in the ocean breeze, waves crashing nearby, warm cinematic lighting, surreal and humorous vibe, ultra-detailed textures, soft depth of field, golden hour atmosphere
avatar
meng shao
1个月前
两只智商极高的狗狗 脑子里出现的画面： 两个（北方）人敬酒，比谁的杯子更低 😂
#狗狗 #智商 #北方人 #敬酒 #习俗
avatar
meng shao
1个月前
这个神秘的域名，现在没有指向 ChatGPT 或 DeepSeek，拿下 的 Deepmind 似乎也没有买它 今天不经意打开，发现标题「The Next Big Thing」，正文也显示即将有很厉害的事情发布，很神秘，不知道是啥 只是到现在网站托管在美区 Cloudflare 😂
#域名 #ChatGPT #DeepSeek #DeepMind #神秘发布 #CloudFlare
avatar
meng shao
1个月前
今晚的深圳 🌅🌙
#深圳 #夜景 #城市风光
avatar
meng shao
1个月前
回看两周前这张 AI FOMO 梗图，让人更加过载的： Gemini 2.5 Pro 06.05 发布 Cursor 1.0 正式版发布 Windsurf 被 OpenAI 收购没进展，却被 Anthropic 断供 Flux Kontext 发布 还有什么？
#AI #FOMO #发布 #收购
avatar
meng shao
1个月前
BlackBox AI 也加入了 Manus 的赛场？ 它们刚刚推出了在安全虚拟机中远程运行的自主 AI 智能体 - 'Remote Agent'，更专注在编程方向。把它直接连接到 Github 代码库，然后分配想要的任何任务，坐等结果。 可以同时运行多个任务，支持移动端访问，随时查看任务运行结果中的完整记录，对多任务并行的开发者，还是很有帮助的。 安全虚拟机，猜测是和 E2B 合作，或类似的自研技术，实现快速启动和开箱可用的沙盒环境，这在代码运行过程中很重要。 在这里体验：
#BlackBox AI #自主智能体 #Remote Agent #编程 #GitHub #多任务并行 #E2B #安全虚拟机 #移动端
avatar
meng shao
1个月前
Anthropic 官方最新推出高效提示工程的6个技巧，通过优化AI交互获得更精准的回应 高效提示工程的6个技巧 1. 提供上下文 2. 展示“优秀”的示例 3. 明确输出限制 4. 将复杂任务分解为步骤 5. 要求它先思考 6. 定义 AI 的角色 秘密武器：请 AI 帮助优化提示词 我正在尝试让你，Claude，帮助我实现（目标）。我不确定如何表达我的请求以获得最佳结果。你能帮我起草一个有效的提示吗？ Tips：当你不确定如何提出要求时，AI 可以帮助优化你的提示。这可能是最强大的技巧！
#AI提示工程 #Anthropic提示技巧 #AI优化 #交互精准性 #Claude #AI交互优化
avatar
meng shao
1个月前
原文地址：
avatar
meng shao
1个月前
人人都能30天内获得1000个粉丝，来自 Marc Lou 分享的实战经验 选择一个技能并打造个人品牌 • 挑选一个你擅长的领域，比如编程、设计或营销 • 把你的社交媒体简介（比如X简介）设置为与这个技能相关，塑造专业形象 • 目的：让别人一看就知道你是某个领域的专家，吸引对这个技能感兴趣的人关注你 每天发一个特定格式的帖子并互动 • 每天发一篇帖子，格式是：“Day {{第几天}} of {{你的技能}}，我今天{{学了/做了}}这个。” • 比如：“Day 1 of 编程，我学会了写一个简单的Python程序。” • 附上截图或成果展示，作为“工作证明” • 每天关注并评论3个与你的技能相关的账号 • 目的：通过持续展示你的进步，建立信任感和真实性，同时通过互动扩大你的曝光 每天进步一点点 • 努力让你的内容每天比前一天有趣1%，比如分享更有趣的成果、更实用的技巧等 • 原理：这种“复利效应”会让你的吸引力逐渐积累，最终带来显著的粉丝增长 • 目标：30天内达到1000个粉丝
#个人品牌 #社交媒体 #粉丝增长 #专业形象
avatar
meng shao
2个月前
信息卡风格: 极简技术风 (Minimal Tech) 实测 Gemini Pro 2.5 和 Grok 3 根据文章生成网页信息卡。 风格概述: 极简技术风以纯净留白、高对比配色和优雅排版为核心，融合微妙网格背景与平滑交互，打造专业、高效且专注内容的设计体验。 具体提示词和多张实测信息卡，见下方 👇
#极简技术风 #Gemini Pro 2.5 #Grok 3 #网页设计 #信息卡